5D Library › 规模法则、异速生长与组织新陈代谢的统计物理 · English
第二章 个体发育生长:为什么生长会停下来
一份能量预算
动物从受精卵长到成体,然后停止长大。为什么会停?一种解释是基因规定了终点;另一种解释来自能量的账目:生长需要多余的能量,而随着身体变大,维持已有组织所需的能量增长得比供给更快,最后把供给全部用完。韦斯特、布朗与恩奎斯特 2001 年把第一章的代谢标度写成这样一份预算 (West et al. 2001)。
证据
个体发育生长的通用模型。 韦斯特等人假设:整个生物体的代谢率 ,一部分用于维持已有的细胞,与细胞数即体重 成正比,其余用于制造新细胞。由此得到 ,其中 与 由细胞的代谢率、细胞质量与制造一个细胞所需的能量决定。生长在 时停止,渐近体重为 。他们把变量改写为 与无量纲时间 ,得到 ,并显示哺乳动物、鸟类、鱼类与甲壳类的生长数据都落在这条曲线附近 (West et al. 2001)。
这个方程的形式并不新。贝塔朗菲在二十世纪中叶提出的生长方程正是「合成项与体重的某次幂成正比、分解项与体重成正比」,他用的指数通常是 2/3 (Bertalanffy 1957)。WBE 的贡献是把指数与第一章的管网理论联系起来,并给出了把不同物种叠在一起的无量纲化方法。
推导
用四阶龙格—库塔法解四个「物种」的生长方程(参数是示意值,不取自论文),检查它们是否都塌缩到 。第二部分用「有蹄类」(第四个物种)的 3/4 模型生成带 3% 或 10% 乘性误差的观测数据,分别用 3/4 模型与 2/3 模型( 与 都自由)拟合,比较对数均方根误差。
# Ontogenetic growth (West, Brown & Enquist 2001): dm/dt = a m^(3/4) - b m, so growth
# stops at M = (a/b)^4. Universal form: r = (m/M)^(1/4), tau = a t / (4 M^(1/4))
# - ln(1 - (m0/M)^(1/4)) gives r = 1 - exp(-tau) for every species. The four "species"
# below have ILLUSTRATIVE parameters (not taken from the paper). Part 2 asks whether a
# 2/3-power model (von Bertalanffy) can fit the same curve.
import math, random
def grow(a, b, m0, t_end, dt=0.01, p=0.75):
"""RK4 solution of dm/dt = a m^p - b m; returns a list of (t, m) every 1 time unit."""
f = lambda m: a * m ** p - b * m
m, t, out, step = m0, 0.0, [(0.0, m0)], round(1 / dt)
for i in range(1, round(t_end / dt) + 1):
k1 = f(m); k2 = f(m + dt * k1 / 2); k3 = f(m + dt * k2 / 2); k4 = f(m + dt * k3)
m += dt * (k1 + 2 * k2 + 2 * k3 + k4) / 6; t = i * dt
if i % step == 0: out.append((t, m))
return out
SPECIES = {"fish": (0.20, 0.10, 0.5, 150), "bird": (1.0, 0.25, 1.0, 60),
"rodent": (0.6, 0.20, 0.8, 80), "ungulate": (2.0, 0.20, 20.0, 150)}
def universal(a, M, m0, t):
return 1 - math.exp(-(a * t / (4 * M ** 0.25) - math.log(1 - (m0 / M) ** 0.25)))
if __name__ == "__main__":
print("species a b M = (a/b)^4 m at end max |r - (1 - e^-tau)|")
worst = 0.0
for name, (a, b, m0, T) in SPECIES.items():
M = (a / b) ** 4; traj = grow(a, b, m0, T)
dev = max(abs((m / M) ** 0.25 - universal(a, M, m0, t)) for t, m in traj)
worst = max(worst, dev)
print(f"{name:9s} {a:4.1f} {b:4.2f} {M:10.1f} {traj[-1][1]:9.1f}"
f" {dev:.1e}")
print(f"all four collapse onto r = 1 - exp(-tau); worst deviation {worst:.1e}")
# Part 2: noisy 'measurements' (3 % or 10 % error) from the 3/4 model of the ungulate,
# fitted by least squares with the 3/4 model and with a 2/3 model (free a and M).
rng = random.Random(2001)
a, b, m0, T = SPECIES["ungulate"]
true = grow(a, b, m0, T)[::5]
for noise in (0.03, 0.10):
data = [(t, m * math.exp(rng.gauss(0, noise))) for t, m in true]
def sse(p, aa, MM):
pred = grow(aa, aa / MM ** (1 - p), m0, T, dt=0.05, p=p)[::5]
return sum((math.log(y) - math.log(q[1])) ** 2
for (t, y), q in zip(data, pred))
res = []
for p in (0.75, 2 / 3):
best = min((sse(p, aa, MM), aa, MM)
for aa in [0.4 + 0.1 * i for i in range(40)]
for MM in [8000 + 400 * j for j in range(41)])
res.append((math.sqrt(best[0] / len(data)), best[1], best[2]))
print(f"noise {noise:.2f}: 3/4 model rms {res[0][0]:.4f} (M {res[0][2]:.0f});"
f" 2/3 model rms {res[1][0]:.4f} (M {res[1][2]:.0f})")
# species a b M = (a/b)^4 m at end max |r - (1 - e^-tau)|
# fish 0.2 0.10 16.0 15.1 8.9e-16
# bird 1.0 0.25 256.0 238.4 4.0e-13
# rodent 0.6 0.20 81.0 77.0 4.4e-14
# ungulate 2.0 0.20 10000.0 9982.6 3.8e-13
# all four collapse onto r = 1 - exp(-tau); worst deviation 4.0e-13
# noise 0.03: 3/4 model rms 0.0268 (M 10000); 2/3 model rms 0.0418 (M 10400)
# noise 0.10: 3/4 model rms 0.1201 (M 10000); 2/3 model rms 0.1245 (M 10400)四个物种的渐近体重从 16 到 10,000 相差六百多倍,但经过无量纲化之后与 的最大偏差只有 量级,这只是数值误差:对于这个方程,塌缩是数学上的恒等式,不是经验发现。真正需要经验检验的是数据是否服从这个方程。第二部分显示,在 3% 的测量误差下,3/4 模型的误差(0.0268)明显小于 2/3 模型(0.0418),两者可以区分;但在 10% 的误差下,两者分别为 0.1201 与 0.1245,几乎无法区分,2/3 模型只需把 与 稍作调整就能拟合同一条曲线。巴纳瓦尔等人 2002 年正是据此指出,普适生长曲线可以从更一般的原理得到,现有的生长数据不能区分 3/4 与 2/3 (Banavar et al. 2002)。
维护吞噬供给
推导
在 中,供给为 ,维护为 ,二者之比 ,上限 。 时,维护所占的比例为 。程序的第二部分是一个组织类比:把「供给」看作团队可以再投入的毛利,把「维护」看作与人数成正比的成本,比较不同指数 下上限的高低、它对效率提高 10% 的敏感度,以及在上限一半时维护已占用多少供给。这里的 是假设值,不是对任何真实企业的估计。
# Where the energy goes in dm/dt = a m^p - b m. Supply a m^p, maintenance b m, ceiling
# M = (a/b)^(1/(1-p)). Share of supply spent on maintenance = (m/M)^(1-p). Part 1: the
# biological model (p = 3/4). Part 2: an ILLUSTRATIVE organisational analogy in which
# "supply" is the gross margin a team can reinvest and "maintenance" is a cost per person;
# the exponents p are assumptions, not estimates for any real firm.
import math
def ceiling(a, b, p):
return (a / b) ** (1 / (1 - p))
def time_to(frac, a, b, p, m0_frac=0.01, dt=0.001):
"""Time for m to grow from m0_frac*M to frac*M (Euler steps, m in units of M)."""
M = ceiling(a, b, p); m, t = m0_frac * M, 0.0
while m < frac * M:
m += dt * (a * m ** p - b * m); t += dt
return t
if __name__ == "__main__":
print("p = 3/4: share of supply spent on maintenance at m/M =")
fr = (1 / 16, 0.25, 0.5, 0.9)
print(" " + " ".join(f"{f:.3f}: {f ** 0.25:.2f}" for f in fr))
a, b = 1.0, 0.5
t50, t90, t99 = (time_to(f, a, b, 0.75) for f in (0.5, 0.9, 0.99))
print(f"time from 1 % to 50 %, 90 %, 99 % of M (a = 1, b = 0.5):"
f" {t50:.1f}, {t90:.1f}, {t99:.1f}")
print("analogy: ceiling N = (a/b)^(1/(1-p)) and its sensitivity to efficiency")
print(" p N for a/b = 1.5 N if a up 10 % ratio maintenance share at N/2")
for p in (0.75, 0.85, 0.90, 0.95):
n0, n1 = ceiling(1.5, 1, p), ceiling(1.65, 1, p)
print(f" {p:.2f} {n0:12.1f} {n1:12.1f} {n1 / n0:5.2f}"
f" {0.5 ** (1 - p):.2f}")
print(" 1.00 no ceiling: exponential growth if a > b, decline if a < b")
# p = 3/4: share of supply spent on maintenance at m/M =
# 0.062: 0.50 0.250: 0.71 0.500: 0.84 0.900: 0.97
# time from 1 % to 50 %, 90 %, 99 % of M (a = 1, b = 0.5): 11.7, 26.2, 44.9
# analogy: ceiling N = (a/b)^(1/(1-p)) and its sensitivity to efficiency
# p N for a/b = 1.5 N if a up 10 % ratio maintenance share at N/2
# 0.75 5.1 7.4 1.46 0.84
# 0.85 14.9 28.2 1.89 0.90
# 0.90 57.7 149.6 2.59 0.93
# 0.95 3325.3 22370.7 6.73 0.97
# 1.00 no ceiling: exponential growth if a > b, decline if a < b生物学部分的数字说明了生长为什么在后期变慢:体重只有上限的 1/16 时,一半的代谢已经用于维持;到一半时为 84%;到 90% 时为 97%。从上限的 1% 长到 50% 用了 11.7 个时间单位,从 50% 到 90% 又用了 14.5 个,从 90% 到 99% 再用 18.7 个。生长不是「突然停止」,而是越来越慢地逼近一个由 决定的上限。
类比部分说明了两件事。第一,供给的指数越接近 1,上限越高,而且对效率越敏感: 提高 10%, 时上限只提高 46%, 时提高到 2.59 倍, 时提高到 6.73 倍; 时没有上限, 就指数增长, 就萎缩。第二,指数越接近 1,维护在半程时占的比例越高: 时,规模只有上限一半的系统,已经有 93% 的供给被维护吸收,只剩 7% 用于增长。所以,一个接近线性的组织即使离上限还远,也可能感到「增长越来越难」。
注
类比的边界。 生物的 与 由细胞层面的量决定,在一生中大致不变;企业的「供给指数」与「维护成本」却可以通过组织设计、技术与市场改变,而且企业可以收缩、拆分、并购,动物不能。第四章会看到,上市公司的退出大多是被收购而不是「老死」。本节的程序只说明「亚线性供给 + 线性维护 = 有上限」这个结构的数学后果,不说明任何企业的 是多少。
假说 · 尚未验证
维护吞噬假说(尚未确立)。作者推测,在软件与数字服务团队中,用于维护已上线功能的工时占比,是营收增速放缓的领先指标:这一占比连续上升的团队,在随后的四个季度中营收增速低于占比稳定的同类团队。如果在事先登记的多团队纵向数据中,这一占比的变化与随后的增速无关(相关的 95% 置信区间包含 0 且上限小于 0.1),这一假说就被推翻。第八章核查表的第四步给出一个虚构的示例。
本章小结
WBE 个体发育模型把生长写成「亚线性供给减去线性维护」,渐近体重为 ;无量纲化后的普适曲线对这个方程是恒等式,现有数据难以区分 3/4 与 2/3。维护所占的比例随体重上升,到上限一半时已占 84%。用于组织时,这一结构说明:供给越接近线性,上限越高、对效率越敏感,但维护在中途就吸收了大部分供给。下一章转向一种不会停止生长的系统:城市。
参考文献
Fan, Y. (2026). Scaling Laws, Allometric Growth and the Statistical Physics of Organisational Metabolism: From Kleiber's Three-Quarter Power Law and Fractal Supply Networks to the Mortality of Firms, Read Beside Classical Chinese Organisational Thought [规模法则、异速生长与组织新陈代谢的统计物理] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23788553 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).